基于深度强化学习的无人机自组网路由算法

针对无人机自组网节点密度大、拓扑变换频繁,导致移动自组网复杂的问题,提出了一种基于深度强化学习(deep-reinforcement learning, DRL)的分布式无人机自组网路由算法。利用DRL感知学习无人机特征,使节点不断与环境交互、探索学习最优行动(路由)策略;通过存储经验知识,维护端到端路由,赋予无人机网络智能化重构和快速修复的能力,从而提高路径的稳定性,降低路由建立和维护开销,增强网络的鲁棒性能。仿真结果表明,提出的算法具有较好的收敛性能;在路由修复时间、端到端时延,以及网络适应性、扩展性方面都优于传统的路由算法。     

智能家居中的网络路由改进算法研究

在智能家居中搭建网络过程中，为优化网络路由算法，提高算法的全局搜索能力和收敛精度，提出一种基于BFA(细菌觅食算法)的优化算法。通过选取随机网络拓扑模型建立50节点网络拓扑图和100节点网络拓扑图，利用GFBA算法进行仿真实验，仿真结果表明：与现行的网络路由算法相比较，在网络费用以及收敛时间方面验证GFBA算法对于网络路由问题的适用性和优越性。     

Ad Hoc网络中基于模拟退火-蚁群算法的QoS路由发现方法

针对Ad Hoc网络的动态网络环境和链路、节点性能限制等不利因素，提出了一种新的QoS路由发现方法——SAANT．该方法利用蚁群算法增加了发现可用QoS路由的概率，利用基于概率的路由转发策略来减少洪泛造成的网络开销，从而强化所提算法的全局搜索能力和自适应性，减小了洪泛对Ad Hoc网络性能的影响．所提方法还利用模拟退火算法调整路由发现算法的搜索方向，以弥补蚂蚁算法收敛速度上的弱点，减少了搜索过程中的停滞现象．在包投递成功率、平均包延迟和吞吐量等方面，通过仿真实验对SAANT、仅基于蚁群算法的QoS路由算法和传统的按需路由算法的方法进行了性能比较，结果表明，在Ad Hoc网络环境下，SAANT的收敛速度、移动性能和网络负载性能均表现出更好的适应性．     

一种优化组播路由费用的算法

为满足某些组播应用（如多媒体通信,分布环境中的协同工作等）。既需优化路由的网络费用,又需优化路由的目的地费用的要求,提出了一种简单可行并且使用灵活的组播路由优化算法。该算法的主要思想是对目的结点费用进行衰减,以使组播路由有更多的共享链路,优化了路由的网络费用,同时还可以调节衰减因子使目的地平均费用也得到优化,克服了已有的优化方案只能优化网络费用或只能优化目的地平均费用的缺点,适用于各种通信场合。     

基于改进克隆算法的WSN的QoS路由研究

为解决在无线传感器网络QoS约束下的最优路由选择问题,在优化网络拓扑结构的基础上,提出利用克隆选择算法和蚁群算法结合求解WSN组播路由的方法.该算法利用克隆选择算法对原始路由种群进行优化改善,避免搜索过程陷入早熟收敛问题,然后利用蚁群算法快速搜索.该算法在保证能力最优的前提下,提高了路由搜索速度,在保证最优路径选择基础上,节约了通信成本,仿真结果证明了其可行性和有效性.     

采用主成分策略的传感器网络路由评估算法

针对传感器网络路由在最优性评估过程中呈现的排序问题,提出了一种采用主成分策略的路由评估算法(OREPCA)。首先利用蚁群策略寻找传感器网络中的样品路由;接着再根据实际的布网环境构建出相应的路由评价指标集;然后对样品路由按指标集中各指标出现的顺序进行逐项打分获得评价指标向量;最后借助主成分策略构造一个传输路由综合评价指标函数,从而实现在不同的监测环境中对网络路由的多元化评价,规避了人为选取权重因子带来的主观随意性。仿真结果表明,与基于负载均衡策略的路由优化算法及基于多目标优化的交互式路由算法相比,OREPCA算法能将网络寿命提高14%,并能有效降低网络的通信延迟。     

优化能量及跳数的增强学习WSNs路由算法

针对无线传感网络中强化学习路由算法存在的目标单一、建立过程复杂及节点转发开销大等问题,开展了节点能量及跳数的动态协调方法研究,提出了具有反馈学习能力的动态自适应路由算法.利用局部路由信息,反馈学习邻居状态,以能量和跳数信息加权计算出路由奖励值,并更新求解Q-value值,获取最优路由策略.经实验验证及分析,算法能有效延长无线传感器网络的生命周期.     

基于深度强化学习的无人艇轨迹跟踪算法研究

针对欠驱动水面无人艇(USV)轨迹跟踪控制问题,提出一种基于近端策略优化(PPO)的深度强化学习轨迹跟踪控制算法．为引导控制器网络的正确收敛,构建基于长短时记忆(LSTM)网络层的深度强化学习控制器,设计了相应的状态空间和收益函数．为增强控制器的鲁棒性,生成轨迹任务数据集来模拟复杂的任务环境,以此作为深度强化学习控制器的训练样本输入．仿真结果表明：所提出的算法能有效收敛,具备扰动环境下的精确跟踪控制能力,有较大的实际应用潜力．     

基于带宽和时延约束的服务质量任播路由算法

为在满足带宽需求的前提下找到时延最短的任播路径集合,研究基于带宽和时延两个约束度量的服务质量任播路由算法.为解决带宽和时延约束问题,提出一个适用于该非确定性多项式问题的多项式时间近似优化算法.仿真结果表明,当网络规模增加或客户带宽需求较大时,该文算法时延增加相对较小,因此具有较好的可扩展性和健壮性.与包括最短路径优先任播路由算法和最大带宽优先任播路由算法的启发式算法相比,在带宽受限大型网络中该文算法具有更好的性能优势.     

基于QoS的网络路由模拟器设计与实现

基于网络连接流参数和链路信息,QoS路由算法能够选择合适传输路径以满足应用性能的要求和优化网络资源,仅驻通过数学方法测试路由算法性能是不够的,而且在算法设计过程中,许多参数都需要通过模拟实验获得,本介绍了基于QoS网络路由模拟器的设计与实现方法,该模拟器可以测试不同路由算法性能,并可提供不同路由算法性能参数的比较。     

WPANT:应用于移动对等网络的轻量级层次蚁群路由算法

针对移动对等网络中存在的节点移动、拓扑多变、资源受限和可扩展性差等问题,提出了一种基于轻量级层次结构的蚁群路由算法.该算法通过选取活动路由上的节点将网络划分成轻量级的层次结构,在此结构上运行蚁群路由算法.轻量级的层次结构提高了蚁群算法中信息素更新机制的效率,同时,蚁群路由算法的自组织和流量均衡等特性增强了轻量级层次结构...     

基于改进的DDPG算法的蛇形机器人路径规划方法

针对蛇形机器人执行路径规划任务时,面对复杂环境传统强化学习算法出现的训练速度慢、容易陷入死区导致收敛速度慢等问题,提出了一种改进的深度确定性策略梯度(deep deterministic policy gradient, DDPG)算法。首先,在策略-价值(actor-critic)网络中引入多层长短期记忆(long short-term memory, LSTM)神经网络模型,使其控制经验池中信息的记忆和遗忘程度;其次,通过最优化特征参数将CPG(central pattern generators)网络融入强化学习模型,并设计新型网络状态空间和奖励函数;最后,将改进算法与传统算法分别部署在Webots环境中进行仿真实验。结果表明,相比于传统算法,改进算法整体训练时间平均降低了15%,到达目标点迭代次数平均降低了22%,减少了行驶过程中陷入死区的次数,收敛速度也有明显的提升。因此所提算法可以有效地引导蛇形机器人躲避障碍物,为其在复杂环境下执行路径规划任务提供了新的思路。     

基于运动状态感知的容迟网络路由算法

根据车载自组织网络的特点,提出了一种对喷射等待路由进行优化设计得到的容迟网络路由算法:运动感知的喷射搜索（motion-aware spray and seek,MASS）路由,对其优化和改进的原理以及算法的实现步骤进行了阐释.对MASS以及多种经典DTN路由算法在ONE平台上进行模拟仿真,通过参数绘图对比分析多种路由算法的性能及其差异,得到VANET环境下各个路由算法的性能对比结果,进而证明了本文所提出的MASS算法在DTN网络环境中的有效性以及可靠性.      

蚁群算法在无线传感器网络路由中的应用研究

无线传感器网络路由问题是无线传感器网络研究中核心问题之一,本文提出了一种改进的蚁群路由算法,在保证网络资源利用率的前提下避免停滞,使系统能迅速收敛。仿真结果表明,本文算法在平均递交率、路由算法的开销和端到端的平均延迟等方面表现优异,验证了该算法的可行性和有效性。     

一种改进的JXTA路由策略算法

在网络节点数量不断增加的情况下,JXTA基于洪泛的路由策略会使得网络中出现很多冗余的数据包,致使网络拥塞、路由效率低下,难以适应复杂的网络环境。结合蚁群算法和随机游走算法提出了一种动态路由算法,该算法对路由解析请求信息的转发规则做出改变,减少路由解析请求信息的转发数量,从而对JXTA的路由策略进行改进。利用Peersim网络模拟器进行了网络仿真实验,实验结果表明改进的路由算法可以明显减少冗余数据包的数量,有效提高了JXTA网络的路由效率。     

一种基于遗传算法和LM算法的混合学习算法

针对遗传算法与神经网络结合方式中存在的早熟收敛、泛化能力弱等问题, 提出一种交替使用遗传算法和Levenberg Marquardt算法优化神经网络的混合学习算法（GALM算法）. 该算法先通过遗传算法粗调得到一组全局最优近似解, 再以该近似解为初值, 交替使用遗传算法和LM算法优化神经网络训练, 直至发现满意的网络参数. 实验结果表明, 新算法提高了网络的学习能力和收敛速度.     

模拟退火算法解决静态受限路由问题的研究

随着人们对网络的要求日益多样化,传统的无约束路由方式已经不能满足用户的需要,受限路由受到越来 越多的重视。应用模拟退火算法解决了光网络中的静态受限路由问题。研究了模拟退火算法在解决问题过程中 存在的过早收敛问题并分析了其原因,提出了相应的改进方案$实验结果表明,模拟退火算法在解决此类问题中 的过早收敛情况可以被有效解决。     

Ad Hoc网络中基于蚁群优化的路由选择算法

为了降低Ad Hoc网络拥塞程度,减少节点能量消耗,将蚁群优化算法应用于改进Ad Hoc网络的路由选择问题上,提出一种在Ad Hoc网络中基于网络有限带宽和剩余能量信息的路由选择算法。根据蚁群优化算法中的信息素浓度对路由选择进行调整,使路由选择实现分布式全局优化。仿真结果表明,该算法可以使平均端到端延迟从0.75 s降低到0.28 s,网络生存时间延长30%,提高了网络资源利用率。     

模拟退火算法解决静态受限路由问题的研究

随着人们对网络的要求日益多样化，传统的无约束路由方式已经不能满足用户的需要，受限路由受到越来越多的重视。应用模拟退火算法解决了光网络中的静态受限路由问题。研究了模拟退火算法在解决问题过程中存在的过早收敛问题并分析了其原因，提出了相应的改进方案。实验结果表明，模拟退火算法在解决此类问题中的过早收敛情况可以被有效解决。     

一种自适应物种寻优的无线Mesh网络QoS路由算法

针对无线Mesh网络带宽、负载能量不均等情况引起的网络延迟,以及路由算法运算速度较慢等问题,提出了一种自适应物种寻优的无线Mesh网络QoS路由算法。该算法利用路径评价函数进行最佳节点路径的搜索并通过蚁群信息素更新规则来平衡网络负载,避免数据拥堵和传输延时,并结合量子行为粒子群优化算法的物种形成策略,提出一种领域最好位置的自适应搜寻方式,降低了网络延迟并提高了算法收敛速度。仿真实验表明,从网络延迟和算法收敛速度来看,该算法相比改进的蚁群QoS路由算法和基于遗传算法的QoS路由算法具有更良好的效果。